爬虫实战——利用正则表达式爬取古诗文网

import re
import requests

def parse_url(url):

    headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36"}
    response=requests.get(url,headers=headers)
    text=response.text
    end=[]
    #titles=re.findall(r'<div\sclass="ycd">.*?<h2>.*?<a.*?>(.*?)</a>',text,re.DOTALL)
    titles=re.findall(r'<div\sclass="cont">.*?<b>(.*?)</b>',text,re.DOTALL)
    dynesties=re.findall(r'<p\sclass="source">.*?<a.*?>(.*?)</a>',text,re.DOTALL)
    authors=re.findall(r'<p\sclass="source">.*?<a.*?><a.*?>(.*?)</a>',text,re.DOTALL)
    poems=re.findall(r'<div class="contson" .*?>(.*?)</div>',text,re.DOTALL)
    content=[]
    for poem in poems:
        x=re.sub(r'<.*?>'," ",poem)
        content.append(x.strip())
    ends=[]
    for value in zip(titles,dynesties,authors,content):
        titles, dynesties, authors, content=value
        poe={
            "title":titles,
            "dynasty":dynesties,
            "author":authors,
            "content":content
        }
        ends.append(poe)
    for end in ends:
        print(end)


    #print(authors)
def main():
    for i in range(10):
        url="https://www.gushiwen.org/default_%s.aspx" %i
    #url = "https://gushiwen.com/type/n/xianqin/n/1.html"
        parse_url(url)



main()

 

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值